YOLOv8

YOLOv8介紹

YOLOv8 是一款高效能的物件偵測模型，適合用於植物識別，原因如下：

1.高速與高準確度：可即時偵測植物種類、葉片、花朵等，適用於農業監測與研究。

2.適應多種環境：能處理不同大小的物件，在戶外或光線變化下仍保持良好辨識能力。

3.輕量化與易部署：可運行於手機、無人機等設備，便於實地應用。

4.支援多種影像分析：除了物件偵測，還能用於分類與語義分割，提供更細緻的植物資訊。

5.易於訓練與擴充：可透過遷移學習提升辨識準確度，適應不同植物數據集。 YOLOv8 的高效與靈活性，使其成為植物辨識的理想解決方案！

YOLOv8 其架構的層級關係

在現代物件偵測模型的架構中，骨幹（Backbone）扮演著至關重要的角色，它就像人類視覺系統中的「初步觀察」階段，負責從輸入圖像中提取基礎特徵。常見的Backbone結構如CSPDarknet（Cross Stage Partial Darknet），是一種高效且經過優化的卷積神經網路（CNN），其設計核心在於減少計算負擔的同時，提升特徵學習的能力。CSPDarknet的層次結構相當精巧，由多個卷積層（Convolution）和殘差塊（Residual Blocks）組成，這些模組不僅能有效捕捉圖像的局部與全局特徵，還能確保資訊在網路中的流動更加順暢，避免梯度消失或爆炸的問題，從而提升模型的穩定性與表現。

接著，頸部（Neck）模組負責進一步強化Backbone提取的特徵，並進行多尺度特徵融合，使模型能夠更靈活地偵測不同大小的物件。常見的Neck結構包括FPN（Feature Pyramid Network）和PANet（Path Aggregation Network）。FPN採用「自上而下」的特徵傳遞方式，將高階語義資訊（如物體的形狀、類別）與低階細節特徵（如邊緣、紋理）進行結合，使模型在處理不同解析度的物件時更具適應性。而PANet則在此基礎上進一步優化，引入額外的資訊傳遞路徑，強化特徵金字塔的整合能力，特別是在小型物件的偵測上，PANet能顯著提升準確率，避免細節資訊在網路傳遞過程中被稀釋或遺失。

最後，檢測頭（Detection Head）是整個模型的最終決策階段，它根據Neck提供的豐富特徵，執行具體的物件偵測任務，輸出目標的類別（Class）、位置（Bounding Box）以及置信度（Confidence Score）。Detection Head通常具備多層級的輸出設計，以適應不同尺寸的物件偵測需求，例如在植物辨識中，它需要精準捕捉細微的葉片或花朵；在自動駕駛場景中，則需快速識別遠近不同的車輛與行人；而在監控系統中，可能需同時處理高解析度畫面中的多個小型目標。這種靈活且強大的架構，使得現代物件偵測模型能夠廣泛應用於各種複雜的現實場景，並持續推動電腦視覺技術的進步。

(參照圖4-1)

圖4-1

與其他版本的具體對比

YOLOv3: 雖然是經典版本，但速度和精度已無法滿足現代需求，特別是在小物體檢測上表現較弱。

YOLOv4: 在 Darknet 框架下運行，精度和速度有提升，但部署複雜且缺乏多任務支持，與 YOLOv8 的易用性和靈活性差距明顯。

YOLOv5: 是 YOLOv8 的前身，性能已非常優秀，但 YOLOv8 在架構上進一步優化（如無錨點頭和更高效的特徵提取），精度和速度均有提升。

YOLOv7: 由不同團隊開發，專注於高精度，但模型複雜度和計算成本較高，對於輕量級照片辨識應用不如 YOLOv8 實用。

拆分資料

圖4-2

1. 訓練集(train)

每種植物202張圖片的JPG檔以及框選對應的TXT檔。

(參照圖4-2)

2. 測試集(vaild)

每種植物50張圖片的JPG檔以及框選對應的TXT檔。

(參照圖4-2)

YOLOv8進行辨識訓練參數

圖片測試總數 :1950張

框的數目 :4703個

Box(P 準確率 : 模型預測出來的結果中，有0.782%是與我們框的是相符的。他框的比較少但都是對的。

R 召回率 : 有0.473%正確的植物有被框出來。框的多，但不是所有框的都跟我們一樣，可能有我們當初沒有框到的部分。

mAP50 : 模型「偵測」準確度（主力指標）> 0.5 就算正確

(參照圖4-3)

圖4-3

訓練與測試

測試結果顯示，七種植物達百分之百，其餘大部分植物的準確率都達到八成以上，少數植物的準確率則低於八成，例如金露花(0.55)、月橘(0.4)、紅龍草 (0.712)、中國繡球(0.72)、黃花夾竹桃(0.658)。

(參照圖4-4)

圖4-4

Google Sites

Report abuse